利用Python和AI轻松创建简历分析器：教程与代码分享

---

在当今竞争激烈的就业市场中，一份精心制作的简历至关重要。如何确保你的简历在众多应聘者中脱颖而出？答案是利用人工智能 (AI) 技术来分析和优化你的简历。本文将向你展示如何使用 Python 编程语言和 Google 的 Gemini AI 模型构建一个强大的简历分析器。这款分析器能够根据职位描述，评估简历的匹配度，并提供改进建议，帮助你提升求职成功率。无论你是求职者还是招聘人员，本文都将为你带来极大的价值。

关键要点

使用 Python 编程语言构建 AI 驱动的简历分析器。

利用 Google 的 Gemini AI 模型进行简历分析和职位匹配。

通过上传简历和职位描述，获取简历匹配度评分和改进建议。

理解关键步骤：文本提取、提示工程和结果分析。

学习如何构建具有用户友好界面的 Flask Web 应用程序。

掌握使用 Markdown 格式化输出结果的方法。

根据实际需求自定义和扩展简历分析器功能。

AI 简历分析器：Python 实现指南

项目概述与功能演示

简历分析器旨在帮助用户评估其简历与特定职位描述的匹配程度，并提供改进建议。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

该工具通过上传简历（仅支持 PDF 格式）和粘贴职位描述来实现。分析结果将包括匹配度评分、缺失技能列表以及改进建议。

项目功能：

• 简历上传： 用户可以上传 PDF 格式的简历文件。
• 职位描述输入： 用户可以粘贴职位描述文本。
• AI 驱动分析： 系统利用 AI 技术分析简历内容。
• 匹配度评分： 生成简历与职位描述的匹配度评分（百分制）。
• 缺失技能识别： 识别简历中未提及但职位描述中要求的关键技能。
• 改进建议： 提供针对性的简历优化建议，例如量化成就、突出相关技能等。

功能演示：

首先，展示了用户界面的基本操作。用户可以点击“选择文件”按钮上传简历，并在文本框中粘贴职位描述。然后，点击“分析简历”按钮，系统将开始分析。分析完成后，用户将看到匹配度评分、缺失技能列表和改进建议。

代码准备与环境配置

要构建一个AI简历分析器，首先需要准备合适的开发环境和必要的Python库。这将确保你能顺利运行代码，并与Gemini AI模型进行交互。

1. 开发环境：

• Python 3.6+：确保你的系统安装了 Python 3.6 或更高版本。你可以从 Python 官网下载并安装：https://www.python.org/downloads/
• pip： Python 的包管理工具，用于安装和管理项目依赖。
• 代码编辑器： 选择你喜欢的代码编辑器，例如 VS Code、PyCharm 等。

2. 安装必要的 Python 库：

打开命令行终端，使用 pip 安装以下库：

pip install google-generativeai pymupdf python-dotenv

• google-generativeai: 用于与 Google 的 Gemini AI 模型进行交互。

  

• pymupdf: 用于从 PDF 文件中提取文本。

• python-dotenv: 用于加载和管理环境变量。

3. Gemini API 密钥：

你需要一个 Google Cloud 项目并启用 Gemini API 才能获取 API 密钥。访问 Google AI Studio 网站：https://aistudio.google.com/，创建一个新的项目并获取 API 密钥。

4. 环境变量设置：

为了安全地存储 API 密钥，建议将其设置为环境变量。创建一个名为 .env 的文件，并在其中添加以下内容：

GEMINI_API_KEY=你的API密钥

然后，使用 python-dotenv 库加载环境变量。

从 PDF 简历中提取文本

在分析简历之前，我们需要从 PDF 文件中提取文本内容。这可以通过 pymupdf 库来实现。

以下代码展示了如何定义一个函数，用于提取 PDF 文件中的文本：

import fitz  https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b pymupdf

def extract_text_from_resume(pdf_path):
    """从 PDF 文件中提取文本。"""
    doc = fitz.open(pdf_path)
    text = ""
    for page in doc:
        text += page.get_text()
    return text

代码解释：

• import fitz：导入 pymupdf 库，并使用别名 fitz。
• extract_text_from_resume(pdf_path)：定义一个名为 extract_text_from_resume 的函数，接受 PDF 文件路径作为参数。
• doc = fitz.open(pdf_path)：使用 fitz.open() 函数打开 PDF 文件。
• text = ""：创建一个空字符串，用于存储提取的文本。
• for page in doc：遍历 PDF 文件中的每一页。
• text += page.get_text()：使用 page.get_text() 方法提取当前页面的文本，并将其添加到 text 字符串中。
• return text：返回提取的文本。

使用示例：

pdf_path = "kumareshan-Resume.pdf"  https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 你的简历 PDF 文件路径
resume_text = extract_text_from_resume(pdf_path)
print(resume_text)

这段代码将从 kumareshan-resume.pdf 文件中提取文本，并将其打印到控制台。

提示工程：构建 AI 交互指令

提示工程是与 AI 模型进行有效沟通的关键。一个精心设计的提示 (Prompt) 能够引导 AI 模型生成高质量、符合要求的输出。

标贝AI虚拟主播

一站式虚拟主播视频生产和编辑平台

69 查看详情

以下代码展示了一个用于简历分析的提示：

prompt = f"""
你是一位专业的简历分析师。
请分析以下简历，并根据提供的职位描述给出建议：

简历：
{resume_text}

职位描述：
{job_description}

请执行以下任务：
1.  分析简历与职位描述的匹配度。
2.  给出百分制匹配度评分。
3.  突出显示缺失的技能或经验。
4.  提供改进建议。

请以结构化的格式返回结果：
匹配度评分：XX/100
缺失技能：...
建议：...
总结：...
"""

代码解释：

• 该提示首先定义了 AI 模型的角色：专业的简历分析师。
• 然后，它指示 AI 模型分析简历，并根据提供的职位描述给出建议。
• 提示中包含了简历内容 {resume_text} 和职位描述 {job_description} 的占位符，将在后续步骤中被实际内容替换。
• 提示明确了 AI 模型需要执行的任务：匹配度分析、缺失技能识别和改进建议。
• 最后，提示要求 AI 模型以结构化的格式返回结果，方便用户阅读和理解。

使用示例：

在后续步骤中，你需要将提取的简历文本和职位描述文本分别赋值给 {resume_text} 和 {job_description} 占位符，然后将整个提示发送给 AI 模型。

配置Gemini Pro模型

为了使用 Gemini Pro 模型，需要进行一些配置。

以下代码展示了如何配置 API 密钥和模型参数：

import os
import google.generativeai as genai
from dotenv import load_dotenv

load_dotenv()

genai.configure(api_key=os.getenv('GEMINI_API_KEY'))

model = genai.GenerativeModel('gemini-pro')

代码解释：

• import os：导入 os 库，用于访问环境变量。
• import google.generativeai as genai：导入 google-generativeai 库，并使用别名 genai。
• from dotenv import load_dotenv：从 python-dotenv 库中导入 load_dotenv 函数。
• load_dotenv()：加载 .env 文件中的环境变量。
• genai.configure(api_key=os.getenv('GEMINI_API_KEY'))：配置 Gemini API 密钥。os.getenv('GEMINI_API_KEY') 用于从环境变量中获取 API 密钥。
• model = genai.GenerativeModel('gemini-pro')：创建一个 Gemini Pro 模型实例。gemini-pro 是 Gemini Pro 模型的名称。

模型参数配置：

Gemini Pro 模型提供了一些参数，可以用于控制生成文本的质量和多样性。以下代码展示了如何配置模型参数：

configuration = {
    "temperature": 1,
    "top_p": 0.95,
    "top_k": 40,
    "max_output_tokens": 8192
}

model = genai.GenerativeModel(model_name='gemini-pro', generation_config=configuration)

参数解释：

• temperature：控制生成文本的随机性。值越高，文本越随机。范围：0.0 - 1.0。
• top_p：控制生成文本的多样性。值越高，文本越多样。范围：0.0 - 1.0。
• top_k：控制生成文本的候选词数量。值越高，候选词越多。范围：1 - 100。
• max_output_tokens：限制生成文本的最大 token 数量。范围：1 - 8192。

你可以根据实际需求调整这些参数，以获得最佳的分析效果。

使用 Gemini AI 分析简历

配置好 Gemini Pro 模型后，就可以使用它来分析简历了。

以下代码展示了如何将简历文本和职位描述文本传递给模型，并获取分析结果：

def analyse_resume_gemini(resume_content, job_description):
    """使用 Gemini AI 分析简历。"""
    prompt = f"""
    你是一位专业的简历分析师。
    请分析以下简历，并根据提供的职位描述给出建议：

    简历：
    {resume_content}

    职位描述：
    {job_description}

    请执行以下任务：
    1.  分析简历与职位描述的匹配度。
    2.  给出百分制匹配度评分。
    3.  突出显示缺失的技能或经验。
    4.  提供改进建议。

    请以结构化的格式返回结果：
    匹配度评分：XX/100
    缺失技能：...
    建议：...
    总结：...
    """
    response = model.generate_content(prompt)
    return response.text

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 获取简历文本和职位描述
resume_text = extract_text_from_resume(pdf_path)
job_description = "We are hiring a front end developer"

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 分析简历
result = analyse_resume_gemini(resume_text, job_description)

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 打印分析结果
print(result)

代码解释：

• def analyse_resume_gemini(resume_content, job_description)：定义一个名为 analyse_resume_gemini 的函数，接受简历文本和职位描述文本作为参数。
• prompt = f"""..."""：创建包含简历文本和职位描述文本的提示。
• response = model.generate_content(prompt)：使用 Gemini Pro 模型生成内容。prompt 是传递给模型的提示。
• return response.text：返回生成的文本结果。

运行这段代码，你将会看到 Gemini Pro 模型生成的简历分析结果，包括匹配度评分、缺失技能和改进建议。

构建 Flask Web 应用程序界面

为了方便用户使用简历分析器，我们可以构建一个简单的 Flask Web 应用程序界面。

以下代码展示了如何创建一个基本的 Flask 应用程序：

from flask import Flask, request, render_template
from analyse_pdf import analyse_resume_gemini, extract_text_from_resume

app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = 'uploads'
os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)

@app.route('/', methods=['GET', 'POST'])
def index():
    if request.method == 'POST':
        resume_file = request.files['resume']
        job_description = request.form['job_description']

        pdf_path = os.path.join(app.config['UPLOAD_FOLDER'], resume_file.filename)
        resume_file.s*e(pdf_path)

        resume_content = extract_text_from_resume(pdf_path)
        result = analyse_resume_gemini(resume_content, job_description)

        return render_template('index.html', result=result)

    return render_template('index.html', result=None)

代码解释：

• from flask import Flask, request, render_template：从 flask 库中导入必要的模块。
• app = Flask(__name__)：创建一个 Flask 应用程序实例。
• app.config['UPLOAD_FOLDER'] = 'uploads'：设置上传文件夹。
• os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)：创建上传文件夹（如果不存在）。
• @app.route('/', methods=['GET', 'POST'])：定义路由，处理 GET 和 POST 请求。
• if request.method == 'POST'：判断请求方法是否为 POST。
• resume_file = request.files['resume']：获取上传的简历文件。
• job_description = request.form['job_description']：获取职位描述文本。
• pdf_path = os.path.join(app.config['UPLOAD_FOLDER'], resume_file.filename)：构建 PDF 文件的保存路径。
• resume_file.s*e(pdf_path)：保存 PDF 文件。
• resume_content = extract_text_from_resume(pdf_path)：提取简历文本。
• result = analyse_resume_gemini(resume_content, job_description)：分析简历。
• return render_template('index.html', result=result)：渲染 index.html 模板，并将分析结果传递给模板。
• return render_template('index.html', result=None)：如果请求方法为 GET，则渲染 index.html 模板，不传递分析结果。

创建 index.html 模板：

在 templates 文件夹中创建一个名为 index.html 的文件，并添加以下内容：

<!DOCTYPE html>
<html>
<head>
    <title>简历分析器</title>
</head>
<body>
    <h1>简历分析器</h1>
    <form method="post" enctype="multipart/form-data">
        <input type="file" name="resume" accept=".pdf" required><br><br>
        <textarea name="job_description" rows="5" cols="50" required></textarea><br><br>
        <button type="submit">分析简历</button>
    </form>
    {% if result %}
    <h2>分析结果：</h2>
    <pre class="brush:php;toolbar:false;">{{ result }}

{% endif %}

以上就是利用Python和AI轻松创建简历分析器：教程与代码分享的详细内容，更多请关注其它相关文章！

# 应用程序  # 衡阳精准营销推广  # 山西网络网站建设公司  # 济宁网站建设规范  # 江苏seo推广软件  # 网站排名推广效果怎么样  # 亳州企业营销推广报价  # 推广app平台营销  # 网站seo服务器优化  # 嘉兴网站建设作品  # 莆田seo关键词排名  # 越高  # 用户可以  # 一键  # 你是  # 主播  # python  # 展示了  # 上传  # 创建一个  # pd  # ai  # 工具  # 编程语言  # app  # 浏览器  # 人工智能  # go  # bootstrap  # markdown  # html 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 田渊栋团队新研究：微调  英特尔张宇：边缘计算在整个AI生态系统中扮演重要角色  人工智能写作检测工具不靠谱，美国宪法竟被认为是机器人写的  Meta将VR头显最低年龄限制从13岁降至10岁  全球首款AI裸眼3D平板 国产的售价破万  GPT-4使用混合大模型？研究证明MoE+指令调优确实让大模型性能超群  Meta发布音频AI模型，仅需2秒片段模拟真人语音  Snow Kylin登陆中国列车，打造全球首条元宇宙专列  苹果AR头显商标与华为撞车，在中国或改名  售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信  IBM和NASA合作发布可追踪碳排放的开源AI基础模型  数据显示：人工智能相关专业热度上升最快 考古、美术、生物医学工程等小众专业火了  真全息产品，亮相深圳文博会——dipal数伴拓展元宇宙非沉浸式体验  MiracleVision视觉大模型  B站内测 AI 搜索功能，输入“？”即可体验  学生作文评分的新趋势：教师与AI的合作模式  磐镭发布全新 GeForce RTX 4080 ARMOUR 显卡，售价为 9499 元  不止“文心一言”，消息称百度将推出全新 AI 对话软件“万话”  黄仁勋：5年前，我们对AI抱有巨大期望  人工智能如何改变未来语言？  工业机器人及非标自动化设备集成服务提供商  生成式AI爆发，亚马逊云科技持续专注创新，助力企业数字化转型  编程版GPT狂飙30星，AutoGPT危险了！  洞穴探险神器？可自主导航的单旋翼自旋无人机，效率更高！  重磅！ 捷通华声灵云AICC荣获第二届光合组织AI解决方案大赛二等奖  放弃自动驾驶，也是一种和解  AI 模型 Stable Diffusion 升级：正常生成五指、图像更逼真  两架海燕号无人机交付中国气象局 助力建设国家级机动气象观测业务  “风乌”气象大模型科学家团队：用AI预报极端天气未来不是梦！  人工智能赋能广西自然资源领域监测监管  XREAL Beam 投屏盒子正式发布：支持“可悬停 AR 空间屏”  MetaGPT开源框架爆红 GitHub，达到1.1万星，模拟软件开发流程  AI大模型，将为智慧城市带来哪些新变化？  Meta 人工智能业务落后竞争对手，研究人员大量离职成重要原因  下一个前沿：量子机器学习和人工智能的未来  AI人工智能软件，婚纱设计师的必备利器  Nature封面：量子计算机离实际应用还有两年  小艺主导智慧交互升级，借助AI大模型增强能力  苹果机器学习关键人物 Ali Farhadi 离职，回归 AI2 担任 CEO  “直击”AI新世界，智能机器人再次“火出圈”了  讯飞星火大模型实现升级 助力通用人工智能人才培养  全新升级的广州麦当劳：面积最大餐厅正式引入智慧机器人  业内领先 四川大学华西第四医院甲状腺乳腺外科成功进入手术机器人时代  北京公司实施AI技术，推行4.5天工作制，抵制996文化，提升员工工作幸福感  PHP和OpenCV库：如何实现人脸识别  机器人加速！稀土永磁也被带火，持续性如何？  复盘MWC上海：AI大模型时代到来 通信网络将会怎样改变？  「模仿学习」只会套话？解释微调+130亿参数Orca：推理能力打平ChatGPT  微幼科技推出全自动晨检机器人，助力幼儿园校园健康检测  海南省公安机关警用无人机培训班结业并举行警航比武演练 

 2025-12-20